Modelos Generativos para Datos de Mercado Sintéticos

En Deep Learning para Datos de Mercado conociste la catástrofe central del machine learning en finanzas: el tamaño muestral efectivo es minúsculo. Veinte años de rendimientos diarios son unos pocos miles de filas autocorrelacionadas, solapadas y no estacionarias — una dieta de hambre para una clase de modelos que aprendió sus trucos con miles de millones de palabras y millones de imágenes. Solo hay dos salidas honestas a una escasez de datos. La primera es necesitar menos datos (modelos más simples, regularización más dura — la disciplina del curso anterior). La segunda es la audaz, de la que trata este curso: fabricar más mercado. Si no puedes encontrar más historia, genérala.

Suena a trampa, y hecho con descuido lo es. Pero los datos sintéticos son hoy una herramienta seria y de carga en las finanzas cuantitativas — para ampliar conjuntos de entrenamiento escasos, para generar escenarios de estrés que la serie histórica nunca entregó, para compartir datos sin filtrar posiciones privadas y para hacer backtesting sobre regímenes que aún no han ocurrido. La trampa, y la columna vertebral de todo este curso, es que un generador solo es tan fiable como tu capacidad de evaluarlo — y evaluar datos falsos es mucho más difícil que fabricarlos. Un generador que memoriza silenciosamente su conjunto de entrenamiento pasa todas las pruebas de distribución que le lances y luego filtra el futuro a cada backtest posterior. Casi todo el dolor del campo vive en esa trampa.

Este curso asume que traes tres cosas de los prerrequisitos: la disciplina del tamaño muestral efectivo y del sobreajuste de Deep Learning para Datos de Mercado, el instrumental de simulación (MBG, bootstrap, reducción de varianza) de Finanzas con Montecarlo y los hechos estilizados — colas anchas, agrupación de volatilidad, estructura de autocorrelación — de Series Temporales Financieras. Construimos sobre los tres, haciendo siempre la misma pregunta escéptica que te enseñó el credo del ML para alfa: ¿es real, o acabo de engañarme? El recorrido:

• Por qué generar datos de mercado — el problema de escasez replanteado como problema de generación, los cuatro usos reales (aumento, generación de escenarios, privacidad, backtesting sintético) y las dos filosofías para fabricar datos: aprender un generador a partir de la historia frente a simular un mecanismo. La advertencia que enmarca todo: un generador que entrenas con tu historia puede filtrarte esa historia de vuelta a tus pruebas.
• Los hechos estilizados que un generador debe reproducir — la lista innegociable (colas anchas, agrupación de volatilidad, la lenta caída de la autocorrelación de rendimientos absolutos, el efecto apalancamiento, la gaussianidad por agregación, la asimetría ganancia/pérdida) y por qué un simple paseo aleatorio gaussiano falla casi todos. Es la rúbrica con la que se califica a cada modelo posterior.
• Simuladores clásicos: la línea base a batir — movimiento browniano geométrico, el bootstrap por bloques y estacionario, y los modelos de cambio de régimen / Markov ocultos. Baratos, interpretables, resistentes a fugas y ya lo bastante buenos como para avergonzar a un generador neuronal descuidado — el grupo de control honesto.
• GAN para series temporales financieras — el juego generador-contra-discriminador, los linajes QuantGAN (basado en TCN) y TimeGAN, las variantes condicionales y de Wasserstein, y los dos demonios que las acechan con pocos datos financieros: la inestabilidad de entrenamiento y el colapso de modos.
• Autocodificadores variacionales para datos de mercado — la receta de codificar a un latente y decodificar de vuelta, el compromiso reconstrucción-frente-a-KL, por qué un espacio latente suave te compra interpolación y mandos de escenario, y por qué los VAE tienden a difuminar las mismas colas anchas que más necesitas.
• Modelos de difusión y basados en score para trayectorias de precios — el paradigma de ruido-y-luego-elimina-ruido que hoy domina la generación de imágenes, adaptado a los rendimientos: corrupción hacia delante, eliminación de ruido inversa aprendida, ajuste de score y la pregunta honesta de si el estado del arte en imágenes se gana su sitio con unos pocos miles de rendimientos ruidosos.
• Evaluar datos sintéticos sin engañarte — la lección más difícil. Pruebas distribucionales y de dependencia, las puntuaciones discriminativa («¿puede un clasificador distinguir real de falso?») y predictiva («entrenar-en-sintético, probar-en-real»), las pruebas de memorización y vecino más cercano que atrapan a un generador que copia, y el campo de minas de la fuga donde un generador entrenado con toda tu historia infla cada backtest que toca.

Al final sabrás elegir un generador para una tarea, defenderlo frente a la línea base correcta y — lo más importante — ejecutar la evaluación que te dice si tu mercado fabricado es un activo genuino o una forma elaborada de mentirte. Un examen final calificado te devuelve toda la disciplina, una pregunta bloqueada cada vez.